TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hillis: Vissza a jövőbe (1994)
Filmed:
Readability: 3.8
686,810 views
Danny Hillis nagyon érdekes elmélete a TED archívumának mélyéről, amelyből kiderül, hogyan és miért gyorsulnak fel a technológiai változások és miként kapcsolódik ez magához az evolúcióhoz. A prezentációs technikák, amelyeket használ talán idejét múltnak tűnhetnek, de a gondolatai nagyon is aktuálisak.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
Because I usually take the role
0
0
3000
Minthogy általában feladatom
00:18
of trying to explain to people
1
3000
2000
elmagyarázni az embereknek, hogy
00:20
how wonderful the new technologies
2
5000
3000
milyen csodálatosak lesznek azok az új technológiák
00:23
that are coming along are going to be,
3
8000
2000
amelyekkel hamarosan találkozhatunk,
00:25
and I thought that, since I was among friends here,
4
10000
3000
és mivel úgy gondolom, hogy barátok között lehettem itt,
00:28
I would tell you what I really think
5
13000
4000
elmondom, hogy mit is gondolok valójában,
00:32
and try to look back and try to understand
6
17000
2000
az időben visszatekintve megpróbálom megérteni
00:34
what is really going on here
7
19000
3000
tulajdonképpen mi a helyzet ezekkel
00:37
with these amazing jumps in technology
8
22000
5000
az elképesztő nagy technológiai ugrásokkal,
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
amelyek olyan gyorsnak tűnnek, hogy alig tudjuk követni azokat.
00:45
So I'm going to start out
10
30000
2000
Szóval, kezdem azzal, hogy
00:47
by showing just one very boring technology slide.
11
32000
3000
mutatok önöknek egy nem túl izgalmas technológiával kapcsolatos diagramot.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
És aztán, ha megkaphatnám a beállított képet.
00:56
This is just a random slide
13
41000
2000
Ez egy véletlenszerűen kiválasztott diagram
00:58
that I picked out of my file.
14
43000
2000
a fájljaim közül.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
Amit mutatni szeretnék, az nem annyira a részletei,
01:03
but the general form of it.
16
48000
2000
hanem az az általános forma, amit mutat.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Ez a grafikon történetesen az általunk elemzett
01:08
about the power of RISC microprocessors
18
53000
3000
RISC processzorok teljesítményét mutatja
01:11
versus the power of local area networks.
19
56000
3000
összehasonlítva a helyi hálózatok kapacitásával.
01:14
And the interesting thing about it
20
59000
2000
Az érdekes ebben az,
01:16
is that this slide,
21
61000
2000
hogy ennek a grafikonnak,
01:18
like so many technology slides that we're used to,
22
63000
3000
mint sok más technológiához kapcsolódó grafikonnak,
01:21
is a sort of a straight line
23
66000
2000
egyeneshez közeli a képe
01:23
on a semi-log curve.
24
68000
2000
egy fél-logaritmikus skálán.
01:25
In other words, every step here
25
70000
2000
Más szóval minden beosztás
01:27
represents an order of magnitude
26
72000
2000
egy nagyságrenddel nagyobb értéket jelent
01:29
in performance scale.
27
74000
2000
a teljesítmény tengelyén.
01:31
And this is a new thing
28
76000
2000
És ez valami új dolog,
01:33
that we talk about technology
29
78000
2000
hogy amikor a technológiáról van szó,
01:35
on semi-log curves.
30
80000
2000
mi fél-logaritmikus beosztással ábrázolunk.
01:37
Something really weird is going on here.
31
82000
2000
Itt most valami nagyon különös dolog történik.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
És alapvetően ez az, amiről beszélni szeretnék.
01:42
So, if you could bring up the lights.
33
87000
3000
Tehát, kaphatnék ide egy kis fényt?
01:47
If you could bring up the lights higher,
34
92000
2000
Egy kicsivel erősebb fényt kérnék,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
mert erre a papírra szeretnék rajzolni.
01:52
Now why do we draw technology curves
36
97000
2000
Miért is rajzoljuk a technológiával kapcsolatos görbéket
01:54
in semi-log curves?
37
99000
2000
fél-logaritmikus beosztással?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
A válasz a következő: Ha ezt normál beosztással tennénk meg
01:59
where, let's say, this is years,
39
104000
2000
nos, ezek itt az évek
02:01
this is time of some sort,
40
106000
2000
vagy valamilyen időtengely,
02:03
and this is whatever measure of the technology
41
108000
3000
ez pedig valamilyen mértékegysége a technológiai fejlődésnek
02:06
that I'm trying to graph,
42
111000
3000
ezen a grafikonon
02:09
the graphs look sort of silly.
43
114000
3000
akkor a grafikon nagyon furcsán nézne ki.
02:12
They sort of go like this.
44
117000
3000
Valahogy így.
02:15
And they don't tell us much.
45
120000
3000
És nem lenne túlzottan sokatmondó.
02:18
Now if I graph, for instance,
46
123000
3000
Most ha én ábrázolni szeretném
02:21
some other technology, say transportation technology,
47
126000
2000
valamelyik másik technológia, például a szállítástechnológia fejlődését
02:23
on a semi-log curve,
48
128000
2000
fél-logaritmikus skálán,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
nagyon furcsán hatna, majdnem egy vízszintes vonal lenne.
02:28
But when something like this happens,
50
133000
2000
De amikor valami ehhez hasonló történik,
02:30
things are qualitatively changing.
51
135000
2000
akkor itt alapvető változások mennek végbe.
02:32
So if transportation technology
52
137000
2000
Ha a fejlődés a szállítástechnológiában
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
olyan gyorsan történne, mint a mikroprocesszorok terén
02:37
then the day after tomorrow,
54
142000
2000
akkor holnapután
02:39
I would be able to get in a taxi cab
55
144000
2000
beszállhatnék egy taxiba és
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
30 másodperc múlva Tokióban lehetnék.
02:43
It's not moving like that.
57
148000
2000
Természetesen nem ez a helyzet.
02:45
And there's nothing precedented
58
150000
2000
Nincs precedens
02:47
in the history of technology development
59
152000
2000
a technológiai fejlődés eddigi történetében
02:49
of this kind of self-feeding growth
60
154000
2000
még egy ilyen öngerjesztő növekedésre
02:51
where you go by orders of magnitude every few years.
61
156000
3000
amely néhány év leforgása alatt nagyságrendekkel változott volna.
02:54
Now the question that I'd like to ask is,
62
159000
3000
Nos, amit szeretnék mondani az,
02:57
if you look at these exponential curves,
63
162000
3000
ha megnézzük ezt az exponenciális görbét,
03:00
they don't go on forever.
64
165000
3000
hogy örökké nem növekedhetnek.
03:03
Things just can't possibly keep changing
65
168000
3000
Nem lehet az, hogy a dolgok folyton változzanak
03:06
as fast as they are.
66
171000
2000
ebben az ütemben
03:08
One of two things is going to happen.
67
173000
3000
Két dolog lehetséges
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
Vagy egy klasszikus S-görbévé alakul,
03:15
until something totally different comes along,
69
180000
4000
amikor valami teljesen eltérő dolog következik be,
03:19
or maybe it's going to do this.
70
184000
2000
vagy ez történik
03:21
That's about all it can do.
71
186000
2000
Ez a két dolog történhet.
03:23
Now I'm an optimist,
72
188000
2000
Én optimista vagyok
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
tehát úgy gondolom, hogy valami ehhez hasonló fog történni.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Ha ez így van, akkor éppen most zajlik
03:31
is a transition.
75
196000
2000
az átmenet
03:33
We're sort of on this line
76
198000
2000
Valahol itt vagyunk most
03:35
in a transition from the way the world used to be
77
200000
2000
egy átmeneti szakaszban az egykori világ
03:37
to some new way that the world is.
78
202000
3000
és az eljövendő világ között.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
És amit kérdezni szeretnék, és amit már egy ideje kérdezgetek magamtól, az, hogy
03:43
is what's this new way that the world is?
80
208000
3000
milyen lesz ez az új világ?
03:46
What's that new state that the world is heading toward?
81
211000
3000
A világ milyen új szakasza felé tartunk?
03:49
Because the transition seems very, very confusing
82
214000
3000
Mert az átmenet nagyon-nagyon átláthatatlan,
03:52
when we're right in the middle of it.
83
217000
2000
amikor éppen a közepén van az ember.
03:54
Now when I was a kid growing up,
84
219000
3000
Gyerekkoromban
03:57
the future was kind of the year 2000,
85
222000
3000
a 2000-ik év jelentette a jövőt
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
és az emberek arról beszéltek, hogy mi lesz 2000-ben.
04:04
Now here's a conference
87
229000
2000
Most pedig [1994] egy konferencián vagyunk, ahol
04:06
in which people talk about the future,
88
231000
2000
az emberek a jövőről beszélgetnek.
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
és láthatóan, a jövőt még mindig a 2000-es év jelenti.
04:11
It's about as far as we go out.
90
236000
2000
Kb. eddig megyünk el.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
Más szóval a jövőnk évente
04:16
one year per year
92
241000
3000
egy évvel zsugorodott
04:19
for my whole lifetime.
93
244000
3000
egész életemben.
04:22
Now I think that the reason
94
247000
2000
Ennek azt hiszem az az oka,
04:24
is because we all feel
95
249000
2000
hogy mindannyian úgy érezzük, hogy
04:26
that something's happening there.
96
251000
2000
valami történik éppen.
04:28
That transition is happening. We can all sense it.
97
253000
2000
Az átmenet történéseit érzi mindenki.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
És tudjuk, hogy nem túl sok értelme van
04:32
to think out 30, 50 years
99
257000
2000
30-50 évre előre gondolkodni,
04:34
because everything's going to be so different
100
259000
3000
mert minden annyira más lesz akkor,
04:37
that a simple extrapolation of what we're doing
101
262000
2000
hogy mai állapotból kiinduló jóslatoknak
04:39
just doesn't make any sense at all.
102
264000
3000
nem sok értelmük van.
04:42
So what I would like to talk about
103
267000
2000
Tehát, amiről beszélni szeretnék, az az,
04:44
is what that could be,
104
269000
2000
hogy mi lehet ez,
04:46
what that transition could be that we're going through.
105
271000
3000
mi lehet ez az átmeneti állapot, amiben éppen vagyunk.
04:49
Now in order to do that
106
274000
3000
Azért, hogy ezt megtegyem
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
beszélnem kell sok más olyan dologról
04:54
that really has nothing to do
108
279000
2000
aminek semmi köze sincs
04:56
with technology and computers.
109
281000
2000
a technológiákhoz, és a számítógéphez.
04:58
Because I think the only way to understand this
110
283000
2000
Mert az egyetlen módja, hogy ezt megértsük az,
05:00
is to really step back
111
285000
2000
hogy visszatekintünk
05:02
and take a long time scale look at things.
112
287000
2000
és hosszú idő távlatában vizsgáljuk a dolgokat.
05:04
So the time scale that I would like to look at this on
113
289000
3000
És ez az idő távlat, amire visszatekintek,
05:07
is the time scale of life on Earth.
114
292000
3000
a földi élet keletkezéséig nyúlik vissza.
05:13
So I think this picture makes sense
115
298000
2000
Akkor válik világossá a dolog,
05:15
if you look at it a few billion years at a time.
116
300000
4000
ha visszarepülünk néhány milliárd évet az időben.
05:19
So if you go back
117
304000
2000
Tehát ha visszamegyünk
05:21
about two and a half billion years,
118
306000
2000
körülbelül két és fél milliárd évet
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
amikor a Föld egy nagy élettelen kőhalom volt
05:26
with a lot of chemicals floating around on it.
120
311000
3000
amelyet különféle kémiai anyagok vettek körül.
05:29
And if you look at the way
121
314000
2000
És ha megnézzük, hogy
05:31
that the chemicals got organized,
122
316000
2000
ezek a kémiai anyagok hogyan szerveződtek
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
manapság már kezdünk tisztán látni ebben a dologban,
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
és vannak elméletek, amelyek már egész jól leírják
05:39
about how it started with RNA,
125
324000
2000
az RNS kialakulását
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
de én ezt csak egy egyszerű formában mondom el most.
05:44
which is that, at that time,
127
329000
2000
Abban az időben
05:46
there were little drops of oil floating around
128
331000
3000
kis úszó olajcseppek voltak szerte-szét
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
amelyeknek különbözött a kémiai összetétele.
05:52
And some of those drops of oil
130
337000
2000
Néhány olajcsepp
05:54
had a particular combination of chemicals in them
131
339000
2000
olyan kémiai összetétellel rendelkezett,
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
amely külső anyagok befogadását tette lehetővé,
05:59
and grow the drops of oil.
133
344000
3000
így ezek az olajcseppek nőttek.
06:02
And those that were like that
134
347000
2000
Azok, amelyekre ez volt a jellemző,
06:04
started to split and divide.
135
349000
2000
elkezdtek osztódni.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
Bizonyos értelemben a legősibb sejtformák
06:09
those little drops of oil.
137
354000
2000
ezek a kis olajcseppek voltak.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
De ezeket még, a mai értelemben véve, nem tekinthetjük élőknek
06:14
because every one of them
139
359000
2000
mert mindegyiket
06:16
was a little random recipe of chemicals.
140
361000
2000
más és más véletlenszerű kémiai anyagok alkották.
06:18
And every time it divided,
141
363000
2000
És ahányszor osztódtak
06:20
they got sort of unequal division
142
365000
3000
egyenlőtlen eloszlásban vált ketté
06:23
of the chemicals within them.
143
368000
2000
a bennük lévő kémiai anyag.
06:25
And so every drop was a little bit different.
144
370000
3000
És így minden csepp egy kicsit különbözött a másiktól.
06:28
In fact, the drops that were different in a way
145
373000
2000
Valójában azok cseppek, amelyek abban különböztek a többitől,
06:30
that caused them to be better
146
375000
2000
hogy jobban befogadták
06:32
at incorporating chemicals around them,
147
377000
2000
a környezetükben lévő kémiai anyagokat
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
jobban növekedtek, több anyagot halmoztak fel, és többször osztódtak.
06:37
So those tended to live longer,
149
382000
2000
Így azok, amelyek tovább éltek,
06:39
get expressed more.
150
384000
3000
jobban érvényesültek.
06:42
Now that's sort of just a very simple
151
387000
3000
Ez egy nagyon egyszerű
06:45
chemical form of life,
152
390000
2000
úgynevezett vegyi életforma.
06:47
but when things got interesting
153
392000
3000
A dolog azonban akkor kezdett érdekessé válni,
06:50
was when these drops
154
395000
2000
amikor ezek a cseppek
06:52
learned a trick about abstraction.
155
397000
3000
megtanulták az absztrakció egy trükkjét.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
Valamilyen módon, amit nem igazán értünk,
06:58
these little drops learned to write down information.
157
403000
3000
ezek a cseppek megtanulták feljegyezni az információt.
07:01
They learned to record the information
158
406000
2000
Megtanulták megörökíteni azt az információt,
07:03
that was the recipe of the cell
159
408000
2000
amelyet a sejt receptként használhatott
07:05
onto a particular kind of chemical
160
410000
2000
egy speciális kémiai anyaghoz
07:07
called DNA.
161
412000
2000
a DNS-hez.
07:09
So in other words, they worked out,
162
414000
2000
Más szóval, ezek a cseppek kidolgoztak
07:11
in this mindless sort of evolutionary way,
163
416000
3000
tudattalanul egy olyan evolúciós feljegyzési módszert
07:14
a form of writing that let them write down what they were,
164
419000
3000
önmaguk meghatározására,
07:17
so that that way of writing it down could get copied.
165
422000
3000
amellyel a feljegyzett információt másolhatták.
07:20
The amazing thing is that that way of writing
166
425000
3000
Az az elképesztő ebben, hogy a módszer
07:23
seems to have stayed steady
167
428000
2000
úgy tűnik nem változott
07:25
since it evolved two and a half billion years ago.
168
430000
2000
amióta két és fél milliárd éve kialakult.
07:27
In fact the recipe for us, our genes,
169
432000
3000
Valójában a génjeink receptje
07:30
is exactly that same code and that same way of writing.
170
435000
3000
ma is ugyanezzel a kóddal és módszerrel íródik.
07:33
In fact, every living creature is written
171
438000
3000
Valójában minden élőlény kódja
07:36
in exactly the same set of letters and the same code.
172
441000
2000
pontosan ugyanezzel a kódkészlettel íródik.
07:38
In fact, one of the things that I did
173
443000
2000
Az egyik dolog, amit
07:40
just for amusement purposes
174
445000
2000
kedvtelésből készítettem, az
07:42
is we can now write things in this code.
175
447000
2000
hogy most már tudunk ezzel a kóddal írni.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Van itt nálam 100 mikrogramm fehér por, amit
07:50
which I try not to let the security people see at airports.
177
455000
4000
próbáltam rejtegetni a reptéri biztonságiak elől.
07:54
(Laughter)
178
459000
2000
(Nevetés)
07:56
But this has in it --
179
461000
2000
De ez van benne.
07:58
what I did is I took this code --
180
463000
2000
Tehát, vettem ezt a kódot,
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
amelyben a normál abc betűit használjuk a leírásra,
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
és kiírtam a névjegykártyámat egy darab DNS-re
08:06
and amplified it 10 to the 22 times.
183
471000
3000
és megsokszoroztam 10 a 22-enszer.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Tehát, ha valakinek szüksége lenne százmillió példányban a névjegykártyámra,
08:12
I have plenty for everyone in the room,
185
477000
2000
Jut belőle mindenkinek a teremben,
08:14
and, in fact, everyone in the world,
186
479000
2000
valójában a világon mindenkinek,
08:16
and it's right here.
187
481000
3000
és itt van nálam.
08:19
(Laughter)
188
484000
5000
(Nevetés)
08:26
If I had really been a egotist,
189
491000
2000
Ha nagyon egoista lettem volna,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
egy vírusba tettem volna, és szabadon engedtem volna a teremben.
08:31
(Laughter)
191
496000
5000
(Nevetés)
08:39
So what was the next step?
192
504000
2000
Tehát, mi volt a következő szakasz?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
A DNS feljegyzése egy érdekes szakasz volt.
08:43
And that caused these cells --
194
508000
2000
A sejtek ettől
08:45
that kept them happy for another billion years.
195
510000
2000
boldogok voltak úgy egymilliárd évig.
08:47
But then there was another really interesting step
196
512000
2000
De volt egy másik érdekes lépés,
08:49
where things became completely different,
197
514000
3000
amely egy merőben új dolgot hozott.
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
A sejtek elkezdtek egymással kommunikálni, információt cserélni azért,
08:55
so that they began to get communities of cells.
199
520000
2000
hogy sejtek közösségét alakítsák ki.
08:57
I don't know if you know this,
200
522000
2000
Nem tudom, hogy tudják-e,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
de a baktériumok képesek a DNS-üket kicserélni egymással.
09:01
Now that's why, for instance,
202
526000
2000
Emiatt van az, hogy
09:03
antibiotic resistance has evolved.
203
528000
2000
ellenállók lettek az antibiotikumokra.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Néhány baktérium rájött, hogy hogyan kerülheti el a penicillint,
09:08
and it went around sort of creating its little DNA information
205
533000
3000
és úgymond körbejárt, hogy más baktériumok is beépíthessék
09:11
with other bacteria,
206
536000
2000
ezt a DNS rész információt.
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
És most sok baktérium ellenálló a penicillinnel szemben
09:16
because bacteria communicate.
208
541000
2000
a baktériumok közötti kommunikáció miatt.
09:18
Now what this communication allowed
209
543000
2000
Ez a kommunikáció tette lehetővé
09:20
was communities to form
210
545000
2000
olyan sejtközösségek formálódását,
09:22
that, in some sense, were in the same boat together;
211
547000
2000
amelyek úgymond egy hajóban evezve
09:24
they were synergistic.
212
549000
2000
együttműködtek.
09:26
So they survived
213
551000
2000
Vagy mind túlélték,
09:28
or they failed together,
214
553000
2000
vagy együtt vesztek oda.
09:30
which means that if a community was very successful,
215
555000
2000
Ez azt jelentette, hogy ha egy közösség nagyon jól működött,
09:32
all the individuals in that community
216
557000
2000
a benne lévő minden egyed
09:34
were repeated more
217
559000
2000
megtöbbszöröződhetett
09:36
and they were favored by evolution.
218
561000
3000
és az evolúció nyertese lehetett.
09:39
Now the transition point happened
219
564000
2000
Az átmenet akkor történt,
09:41
when these communities got so close
220
566000
2000
amikor ezek a közösségek annyira összetömörültek,
09:43
that, in fact, they got together
221
568000
2000
hogy valójában egy egységet alkotva
09:45
and decided to write down the whole recipe for the community
222
570000
3000
a teljes receptet elkezdték leírni a közösség számára
09:48
together on one string of DNA.
223
573000
3000
egy DNS szálra.
09:51
And so the next stage that's interesting in life
224
576000
2000
Érdekes a dologban, hogy ez az újabb szakasz
09:53
took about another billion years.
225
578000
2000
még egy milliárd évig tartott.
09:55
And at that stage,
226
580000
2000
És ebben a szakaszban alakultak ki a
09:57
we have multi-cellular communities,
227
582000
2000
több sejtből álló közösségek,
09:59
communities of lots of different types of cells,
228
584000
2000
közösségek, amelyeket sok különféle típusú sejt alkotott,
10:01
working together as a single organism.
229
586000
2000
és amelyek egyetlen organizmusként működtek.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
Valójában mi is ilyen többsejtből szerveződő közösség vagyunk.
10:06
We have lots of cells
231
591000
2000
Sok sejtünk van,
10:08
that are not out for themselves anymore.
232
593000
2000
amelyek nem önmagukért léteznek többé.
10:10
Your skin cell is really useless
233
595000
3000
A bőrsejtek teljesen használhatatlanok
10:13
without a heart cell, muscle cell,
234
598000
2000
a szív vagy izomsejtek,
10:15
a brain cell and so on.
235
600000
2000
vagy éppen az agysejtek nélkül.
10:17
So these communities began to evolve
236
602000
2000
Szóval, ezek mint egy közösség kezdtek továbbfejlődni
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
így az evolúciós fejlődés már
10:22
was no longer a cell,
238
607000
2000
nem a sejtek szintjén vált érdekessé,
10:24
but a community which we call an organism.
239
609000
3000
hanem a közösség szintjén, amit most szervezetnek hívunk.
10:28
Now the next step that happened
240
613000
2000
A következő lépés ezeken a
10:30
is within these communities.
241
615000
2000
közösségeken belül történt.
10:32
These communities of cells,
242
617000
2000
Ezek a sejtközösségek
10:34
again, began to abstract information.
243
619000
2000
újra elkezdték értelmezni az információkat
10:36
And they began building very special structures
244
621000
3000
és olyan speciális egységeket kezdtek kialakítani,
10:39
that did nothing but process information within the community.
245
624000
3000
amelyek egyetlen feladata a közösségen belüli információ feldolgozás volt.
10:42
And those are the neural structures.
246
627000
2000
Neurális struktúrák alakultak.
10:44
So neurons are the information processing apparatus
247
629000
3000
Tehát a neuronok azok az információfeldolgozó egységek,
10:47
that those communities of cells built up.
248
632000
3000
amelyeket ezek a sejtközösségek alakítottak ki.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
A közösségen belül speciális egységgé,
10:52
and special structures
250
637000
2000
struktúrává alakultak, amelyek
10:54
that were responsible for recording,
251
639000
2000
felelősek lettek az információk feljegyzéséért,
10:56
understanding, learning information.
252
641000
3000
megértéséért, és megtanulásáért.
10:59
And that was the brains and the nervous system
253
644000
2000
Így vált a közösség agyává, ill.
11:01
of those communities.
254
646000
2000
idegrendszerévé.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Ez evolúciós előnyt jelentett a sejtközösségnek,
11:05
Because at that point,
256
650000
3000
mert ezen a ponton
11:08
an individual --
257
653000
3000
az egyéni
11:11
learning could happen
258
656000
2000
tanulási folyamat végbemehetett már
11:13
within the time span of a single organism,
259
658000
2000
egyetlen szervezet életszakaszában,
11:15
instead of over this evolutionary time span.
260
660000
3000
szemben az addigi evolúciós időszakasszal.
11:18
So an organism could, for instance,
261
663000
2000
Tehát egy szervezet képes lett például
11:20
learn not to eat a certain kind of fruit
262
665000
2000
megtanulni, hogy ne egyen meg bizonyos gyümölcsöt
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
mert rossz íze volt, és beteg lett miután múlt alkalommal megette.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Ez megtörténhetett egy szervezet életszakaszán belül,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
míg mielőtt ezek a speciális információfeldolgozó struktúrák kialakultak,
11:33
that would have had to be learned evolutionarily
266
678000
2000
ennek megtanulására az evolúció során
11:35
over hundreds of thousands of years
267
680000
3000
több százezer évre volt szükség
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
úgy, hogy egyedek haltak meg a megevett gyümölcstől.
11:41
So that nervous system,
269
686000
2000
Tehát ez az idegrendszer
11:43
the fact that they built these special information structures,
270
688000
3000
azzal, hogy kialakította ezeket a speciális információs struktúrákat,
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
hihetetlenül felgyorsította az evolúció folyamatát.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Mert az evolúciós folyamat ekkor már az egyénen belül történhetett.
11:52
It could happen in learning time scales.
273
697000
3000
A tanulási időn belül történhetett.
11:55
But then what happened
274
700000
2000
És ami ezután történt az,
11:57
was the individuals worked out,
275
702000
2000
hogy az egyedek kommunikációs trükköket
11:59
of course, tricks of communicating.
276
704000
2000
fejlesztettek ki.
12:01
And for example,
277
706000
2000
Itt van például
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
a legkifinomultabb azok közül, amit ismerünk, az emberi nyelv.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
Ha belegondolunk, ez tényleg egy hihetetlen találmány.
12:09
Here I have a very complicated, messy,
280
714000
2000
Itt van egy nagyon bonyolult, rendezetlen,
12:11
confused idea in my head.
281
716000
3000
zavaros gondolat a fejemben.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Itt ülök, alapvetően morgó hangokat adok ki,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
remélve, hogy kialakítok egy hasonlóan rendezetlen, zavaros gondolatot az önök fejében.
12:20
that bears some analogy to it.
284
725000
2000
ami hasonló jelentést hordoz.
12:22
But we're taking something very complicated,
285
727000
2000
Veszünk valami nagyon bonyolult dolgot,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
hanggá, ill. hangok sorozatává alakítjuk,
12:27
and producing something very complicated in your brain.
287
732000
4000
kialakítva valami nagyon komplikált dolgot az önök fejében.
12:31
So this allows us now
288
736000
2000
Ez teszi lehetővé azt, hogy
12:33
to begin to start functioning
289
738000
2000
úgy kezdjünk funkcionálni,
12:35
as a single organism.
290
740000
3000
mint egyetlen szervezet.
12:38
And so, in fact, what we've done
291
743000
3000
Tulajdonképpen, amit mi teszünk,
12:41
is we, humanity,
292
746000
2000
mi, az emberiség, hogy
12:43
have started abstracting out.
293
748000
2000
absztrakciót végzünk.
12:45
We're going through the same levels
294
750000
2000
Ugyanazokon a szinteken megyünk végig,
12:47
that multi-cellular organisms have gone through --
295
752000
2000
amelyeken a többsejtű szervezetek mentek végig --
12:49
abstracting out our methods of recording,
296
754000
3000
absztrahálva az információ feljegyzésének módszereit,
12:52
presenting, processing information.
297
757000
2000
az információközlést és feldolgozást.
12:54
So for example, the invention of language
298
759000
2000
Tehát a nyelv mint találmány
12:56
was a tiny step in that direction.
299
761000
3000
csak egy kis lépés volt ebbe az irányba.
12:59
Telephony, computers,
300
764000
2000
Telefon, számítógép,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
videoszalag, CD-ROM-ok stb.
13:04
are all our specialized mechanisms
302
769000
2000
mind speciális eszközök,
13:06
that we've now built within our society
303
771000
2000
amelyeket beépítettünk a társadalomunkba
13:08
for handling that information.
304
773000
2000
az információk kezelésére.
13:10
And it all connects us together
305
775000
3000
És ezek mind összekapcsolnak bennünket
13:13
into something
306
778000
2000
egy olyan valamivé
13:15
that is much bigger
307
780000
2000
ami sokkal nagyobb,
13:17
and much faster
308
782000
2000
sokkal gyorsabb,
13:19
and able to evolve
309
784000
2000
és nagyobb fejlődésre képes
13:21
than what we were before.
310
786000
2000
mint ami azelőtt voltunk.
13:23
So now, evolution can take place
311
788000
2000
Így az evolúció bekövetkezhet
13:25
on a scale of microseconds.
312
790000
2000
mikroszekundumnyi idő alatt.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Önök láthatták Ty kis evolúciós példáján,
13:29
where he sort of did a little bit of evolution
314
794000
2000
ahol egy kis mini evolúciós folyamatot mutatott be
13:31
on the Convolution program right before your eyes.
315
796000
3000
a Konvolúciós program segítségével itt önök előtt.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Ismételten lerövidítjük ezeket az időintervellumokat
13:37
So the first steps of the story that I told you about
317
802000
2000
Az első szakasz, amiről említést tettem,
13:39
took a billion years a piece.
318
804000
2000
egy milliárd évig tartott.
13:41
And the next steps,
319
806000
2000
És a következő szakaszok,
13:43
like nervous systems and brains,
320
808000
2000
mint például az idegrendszer és az agy
13:45
took a few hundred million years.
321
810000
2000
néhány száz millió évet vett igénybe.
13:47
Then the next steps, like language and so on,
322
812000
3000
Aztán a következő szakasz, mint a nyelv kialakulása is
13:50
took less than a million years.
323
815000
2000
kevesebb, mint egymillió évig tartott.
13:52
And these next steps, like electronics,
324
817000
2000
És az éppen elkövetkezendő elektronikai szakasz
13:54
seem to be taking only a few decades.
325
819000
2000
láthatóan csak néhány évtizede tart.
13:56
The process is feeding on itself
326
821000
2000
A folyamat önmagát felerősíti,
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
és válik úgymond önmaga katalizátorává --
14:01
when something reinforces its rate of change.
328
826000
3000
ahol valami növeli a változás mértékét.
14:04
The more it changes, the faster it changes.
329
829000
3000
Minél jobban változik annál nagyobb a változás sebessége.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
És azt hiszem ezt látjuk itt kiugrásnak ezen a grafikonon.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
Látjuk, ahogy a folyamat önmagát felerősíti.
14:13
Now I design computers for a living,
332
838000
3000
Most az a munkám, hogy számítógépeket tervezzek,
14:16
and I know that the mechanisms
333
841000
2000
és tudom, hogy azok a módszerek,
14:18
that I use to design computers
334
843000
3000
amiket a tervezéshez használok
14:21
would be impossible
335
846000
2000
kivitelezhetetlenek lennének
14:23
without recent advances in computers.
336
848000
2000
a számítógépes fejlesztések legújabb eredményei nélkül.
14:25
So right now, what I do
337
850000
2000
Tehát, amit most csinálok az az,
14:27
is I design objects at such complexity
338
852000
3000
hogy olyan bonyolultságú dolgokat készítek,
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
amely hagyományos értelembe vett tervezéssel nem volna lehetséges.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Nem tudom, hogy a szuperszámítógépünk minden egyes tranzisztora mit csinál.
14:37
There are billions of them.
341
862000
2000
Több milliárd van benne.
14:39
Instead, what I do
342
864000
2000
Ehelyett, amit csinálok,
14:41
and what the designers at Thinking Machines do
343
866000
3000
és amit a Thinking Machines tervezői csinálnak az,
14:44
is we think at some level of abstraction
344
869000
2000
hogy egy adott absztrakciós szinten gondolkozunk,
14:46
and then we hand it to the machine
345
871000
2000
ezt bevisszük a számítógépbe
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
és a gép ezt olyan szintre viszi, amit mi soha el nem érnénk,
14:51
much farther and faster than we could ever do.
347
876000
3000
olyan távlatokba, olyan gyorsan, ahogy azt soha meg nem tehetnénk.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
És néha ezt olyan módszerek teszik meg,
14:56
that we don't quite even understand.
349
881000
3000
amelyeket nem igazán értünk.
14:59
One method that's particularly interesting
350
884000
2000
Az egyik ilyen módszer, ami különösen érdekes,
15:01
that I've been using a lot lately
351
886000
3000
amellyel mostanában sokat foglalkozom,
15:04
is evolution itself.
352
889000
2000
maga az evolúció.
15:06
So what we do
353
891000
2000
Amit mi csinálunk az az, hogy
15:08
is we put inside the machine
354
893000
2000
a gépbe beviszünk egy
15:10
a process of evolution
355
895000
2000
evolúciós folyamatot,
15:12
that takes place on the microsecond time scale.
356
897000
2000
amely mikroszekundumnyi idő alatt lezajlik.
15:14
So for example,
357
899000
2000
Így például
15:16
in the most extreme cases,
358
901000
2000
a legkülönlegesebb esetekben,
15:18
we can actually evolve a program
359
903000
2000
úgy tudjuk a programot fejleszteni,
15:20
by starting out with random sequences of instructions.
360
905000
4000
hogy kezdetben véletlenszerű utasításokat adunk,
15:24
Say, "Computer, would you please make
361
909000
2000
megkérjük a számítógépet, hogy legyen kedves
15:26
a hundred million random sequences of instructions.
362
911000
3000
hozzon létre százmillió véletlenszerű utasítás szekvenciát.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
És aztán futtassa le az összes ilyen a véletlen utasítás szekvenciát,
15:32
run all of those programs,
364
917000
2000
illetve programokat,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
és válassza ki azokat, amely az elérni kívánt célhoz legközelebb visznek.
15:37
So in other words, I define what I wanted.
366
922000
2000
Más szóval azt határozom meg, hogy mit szeretnék elérni.
15:39
Let's say I want to sort numbers,
367
924000
2000
Például számokat sorrendbe szeretnék rendezni,
15:41
as a simple example I've done it with.
368
926000
2000
egy egyszerű példa, amit már megcsináltam.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Majd megkeresem azt a programot, amelynek eredménye legközelebb áll a rendezett számsorhoz.
15:46
So of course, random sequences of instructions
370
931000
3000
Természetesen véletlenszerű utasítássorozatok
15:49
are very unlikely to sort numbers,
371
934000
2000
nagyon valószínűtlen, hogy helyes sorrendet eredményeznének,
15:51
so none of them will really do it.
372
936000
2000
valójában egyike sem produkál helyes eredményt,
15:53
But one of them, by luck,
373
938000
2000
de talán az egyik véletlenül
15:55
may put two numbers in the right order.
374
940000
2000
két számot a helyes sorrendbe állíthat.
15:57
And I say, "Computer,
375
942000
2000
És én azt mondom, kedves gép
15:59
would you please now take the 10 percent
376
944000
3000
kivennéd a 10 százalékát azoknak a
16:02
of those random sequences that did the best job.
377
947000
2000
véletlenszerű utasítássorozatoknak, amelyek a legjobbnak bizonyultak?
16:04
Save those. Kill off the rest.
378
949000
2000
Hagyd meg azokat, a többit szelektáld ki.
16:06
And now let's reproduce
379
951000
2000
Aztán reprodukáljuk azokat,
16:08
the ones that sorted numbers the best.
380
953000
2000
amelyek a legjobban rendezték a számokat.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
Reprodukáljuk azokat azzal a kombinációs folyamattal
16:13
analogous to sex."
382
958000
2000
amely hasonló az emberi reprodukcióhoz.
16:15
Take two programs and they produce children
383
960000
3000
Vegyünk két programot, és legyenek nekik gyerekeik úgy,
16:18
by exchanging their subroutines,
384
963000
2000
hogy kicseréljük azok alprogramjait,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
és a gyerekek örököljék a két program alprogramjainak jellemzőit.
16:23
So I've got now a new generation of programs
386
968000
3000
Így programok új generációjához jutunk,
16:26
that are produced by combinations
387
971000
2000
amely olyan programok kombinációjából születik,
16:28
of the programs that did a little bit better job.
388
973000
2000
amelyek egy kicsivel jobb eredményt produkáltak.
16:30
Say, "Please repeat that process."
389
975000
2000
És aztán azt mondjuk a gépnek, hogy ismételje ezt a folyamatot.
16:32
Score them again.
390
977000
2000
Értékelje ki ismét,
16:34
Introduce some mutations perhaps.
391
979000
2000
talán dobjon be némi mutációt,
16:36
And try that again and do that for another generation.
392
981000
3000
majd ismételje megint egy újabb generáció létrehozásához.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Minden ilyen generáció megszületése csak néhány milliszekundumot vesz igénybe.
16:42
So I can do the equivalent
394
987000
2000
Így képesek vagyunk arra, hogy
16:44
of millions of years of evolution on that
395
989000
2000
több millió évnyi evolúcióval megegyező mértékű fejlődést
16:46
within the computer in a few minutes,
396
991000
3000
hozzunk létre a számítógépen néhány perc alatt,
16:49
or in the complicated cases, in a few hours.
397
994000
2000
vagy bonyolultabb esetben néhány óra alatt.
16:51
At the end of that, I end up with programs
398
996000
3000
A végén pedig olyan programok születnek,
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
amelyek tökéletesen alkalmasak számok sorbarendezésére.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
Igazából ezek a programok sokkal hatékonyabbak,
16:59
than programs I could have ever written by hand.
401
1004000
2000
mint azok, amelyeket kézzel valaha is meg tudnék írni.
17:01
Now if I look at those programs,
402
1006000
2000
Ha megnézem ezeket a programokat,
17:03
I can't tell you how they work.
403
1008000
2000
nem tudom megmondani, hogyan működnek.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
Már próbáltam ezeket megvizsgálni, és megfejteni, hogyan működnek.
17:07
They're obscure, weird programs.
405
1012000
2000
Átláthatatlan, furcsa programok.
17:09
But they do the job.
406
1014000
2000
De jól működnek.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
Tulajdonképpen én biztos vagyok abban, hogy jól működnek,
17:14
because they come from a line
408
1019000
2000
mert abból a több százezernyi programból valók
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
amelyek jól végezték a feladatukat.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
Valójában az életük függött attól, hogy jól végzik-e a feladatukat.
17:21
(Laughter)
411
1026000
4000
(Nevetés)
17:26
I was riding in a 747
412
1031000
2000
Egy Boeing 747-esen utaztam
17:28
with Marvin Minsky once,
413
1033000
2000
egyszer Marvin Minskyvel [amerikai tudós],
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
kivette a gép ismertetőfüzetét, és azt mondta: "Ó, ezt nézd meg.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
Ez azt írja, hogy ezen a gépen több százezer apró alkatrész
17:37
working together to make you a safe flight.'
416
1042000
4000
működik együtt, a biztonságos repülésünk érdekében.
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Hát nem megnyugtató?"
17:43
(Laughter)
418
1048000
2000
(Nevetés)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
Igazából tudjuk azt, hogy a mérnöki munka nem működik igazán jól
17:48
when it gets complicated.
420
1053000
2000
bonyolult folyamatok esetében.
17:50
So we're beginning to depend on computers
421
1055000
2000
Így mi egyre inkább a számítógéptől függünk
17:52
to do a process that's very different than engineering.
422
1057000
4000
az olyan folyamat végrehajtásánál, amely merőben más mint a mérnöki munka.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
Ez olyan dolgok létrehozását teszi lehetővé, melynek összetettsége
17:59
than normal engineering lets us produce.
424
1064000
2000
jóval túlmutat a hagyományos mérnöki munka keretein.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
Mégsem értjük igazán a lehetőségeit.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
Tehát bizonyos értelemben előttünk jár.
18:06
We're now using those programs
427
1071000
2000
Arra használjuk ezeket a programokat, hogy
18:08
to make much faster computers
428
1073000
2000
gyorsabb számítógépeket készítsünk,
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
és így éppen ezeket a folyamatokat még jobban felgyorsíthatjuk.
18:13
So it's feeding back on itself.
430
1078000
3000
Tehát ez a folyamat önmagát gyorsítja fel.
18:16
The thing is becoming faster
431
1081000
2000
Egyre gyorsabb lesz
18:18
and that's why I think it seems so confusing.
432
1083000
2000
és emiatt tűnik annyira zavarba ejtőnek.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Merthogy mindezek a technológiák önmagukat is gerjesztik.
18:23
We're taking off.
434
1088000
2000
Elindultunk ezen az úton.
18:25
And what we are is we're at a point in time
435
1090000
3000
És hasonló időszakban vagyunk, mint
18:28
which is analogous to when single-celled organisms
436
1093000
2000
amikor az egysejtű organizmusok
18:30
were turning into multi-celled organisms.
437
1095000
3000
többsejtű organizmusokká alakultak.
18:33
So we're the amoebas
438
1098000
2000
Amőbák vagyunk tehát
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
és nem tudjuk megmondani, hogy mi a fene az, amit csinálunk.
18:38
We're right at that point of transition.
440
1103000
2000
Éppen az átmeneti időszak kellős közepén vagyunk.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
De azt hiszem, hogy tényleg jön valami új utánunk.
18:43
I think it's very haughty of us
442
1108000
2000
Nagyképű lenne azt gondolni, hogy
18:45
to think that we're the end product of evolution.
443
1110000
3000
az evolúció végtermékei vagyunk.
18:48
And I think all of us here
444
1113000
2000
Azt hiszem itt mindannyian
18:50
are a part of producing
445
1115000
2000
részt veszünk ennek az új dolognak
18:52
whatever that next thing is.
446
1117000
2000
a létrehozásában, bármi legyen is az.
18:54
So lunch is coming along,
447
1119000
2000
Szóval jön az ebéd,
18:56
and I think I will stop at that point,
448
1121000
2000
és azt hiszem abba is hagyom ezen a ponton,
18:58
before I get selected out.
449
1123000
2000
mielőtt kiszelektálnának.
19:00
(Applause)
450
1125000
3000
(Taps)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com